source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-304.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.068.
plot(model, type="changes")
df <- mpr.load_data("datos_mes.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:94881 Length:94881 Min. : 1.000 Min. :-53.0
Class :character Class :character 1st Qu.: 4.000 1st Qu.:148.0
Mode :character Mode :character Median : 6.000 Median :198.0
Mean : 6.497 Mean :200.2
3rd Qu.: 9.000 3rd Qu.:255.0
Max. :12.000 Max. :403.0
tmin precip nevada prof_nieve
Min. :-121.00 Min. : 0.00 Min. :0.000000 Min. : 0.000
1st Qu.: 53.00 1st Qu.: 3.00 1st Qu.:0.000000 1st Qu.: 0.000
Median : 98.00 Median : 10.00 Median :0.000000 Median : 0.000
Mean : 98.86 Mean : 16.25 Mean :0.000295 Mean : 0.467
3rd Qu.: 148.00 3rd Qu.: 22.00 3rd Qu.:0.000000 3rd Qu.: 0.000
Max. : 254.00 Max. :422.00 Max. :6.000000 Max. :1834.000
longitud latitud altitud
Min. :27.82 Min. :-17.8889 Min. : 1.0
1st Qu.:38.28 1st Qu.: -5.6417 1st Qu.: 42.0
Median :40.82 Median : -3.4500 Median : 247.0
Mean :39.66 Mean : -3.4350 Mean : 418.5
3rd Qu.:42.08 3rd Qu.: 0.4914 3rd Qu.: 656.0
Max. :43.57 Max. : 4.2156 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 3 4 6 7 8 9 10 11 12 13 14 15 16 17
6 7 10 16 10 28 68 81 41 44 56 48 36 74 23 43
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
22 37 23 57 32 27 30 32 69 69 100 63 58 41 14 26
34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
37 67 30 28 32 19 26 43 21 51 48 42 36 81 69 40
50 51 52 53 54 56 57 58 59 60 61 62 63 64 65 66
26 15 16 18 27 56 45 29 55 54 62 42 28 61 52 24
67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82
35 49 90 42 8 86 40 57 64 76 31 61 25 82 48 26
83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
48 55 20 32 23 52 45 27 54 46 49 15 33 27 52 81
99 100 101 102 103 104 106 108 109 110 111 112 113 114 115 116
41 51 16 26 27 26 53 54 91 75 46 37 55 38 35 40
117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132
48 39 37 37 83 36 70 50 66 59 25 53 68 30 52 31
133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148
35 66 52 27 54 60 61 58 39 27 18 25 22 37 52 53
149 150 151 152 153 154 155 157 158 159 160 161 162 163 164 165
72 66 25 30 19 41 42 39 26 56 50 75 31 55 33 26
166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181
22 41 57 56 56 31 16 49 60 58 28 31 29 37 27 42
182 183 184 185 186 187 188 191 192 193 194 195 196 197 198 199
36 44 42 52 32 8 33 54 55 46 21 13 12 45 51 55
201 203 204 205 207 208 209 210 211 212 213 214 215 216 217 218
16 34 47 21 19 16 45 35 42 46 26 38 33 35 65 49
219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
11 40 70 41 65 75 48 51 45 35 45 52 31 26 59 49
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250
20 57 41 49 47 42 44 40 37 32 24 30 46 12 46 46
251 252 254 255 256 258 259 260 261 262 263 264 265 266 267 268
46 56 53 46 36 19 37 29 51 56 42 50 47 54 52 25
269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284
45 44 31 45 56 70 45 43 51 32 49 32 39 27 43 57
285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300
46 50 37 38 67 61 44 74 50 15 30 37 46 29 47 51
301 302 304 305 307 308 309 310 311 312 313 314 315 316 317 318
38 55 40 58 18 23 50 42 43 39 38 37 34 48 22 25
319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334
40 26 37 29 51 36 40 55 12 48 46 56 22 34 54 42
335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350
49 54 38 35 32 59 44 39 29 37 34 31 32 44 59 20
351 352 353 355 357 358 359 360 361 362 363 364 365 366 367 368
37 41 53 67 40 27 42 41 39 39 42 31 36 48 26 33
369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384
23 44 38 40 41 39 21 37 31 44 72 40 40 23 25 48
385 386 387 388 389 390 391 393 394 395 396 397 398 399 400 401
18 28 54 33 50 47 41 17 30 13 32 32 36 36 26 56
402 403 405 407 408 409 410 411 412 413 414 415 416 417 418 419
58 25 88 32 31 32 43 23 34 34 35 39 29 37 16 29
420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435
37 36 30 59 46 21 29 51 35 41 30 20 29 36 45 27
436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451
40 27 23 34 44 33 44 38 48 50 37 38 90 96 56 101
452 453 455 457 458 459 460 461 462 463 464 465 466 467 468 469
64 41 36 24 38 54 53 31 17 47 30 28 50 61 33 44
470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485
42 44 40 27 55 41 36 48 71 38 44 16 30 32 45 33
486 487 488 489 490 491 493 494 495 496 497 498 501 502 504 506
44 37 28 38 32 32 46 41 50 36 42 74 75 57 65 18
507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522
31 25 53 37 37 47 36 41 65 49 30 48 40 41 33 43
523 524 525 526 527 528 529 530 531 532 533 534 535 536 538 539
40 56 41 39 45 47 41 36 19 39 55 39 42 38 29 28
541 543 544 545 546 547 548 549 550 551 552 553 555 557 558 559
50 34 4 50 30 22 46 87 33 36 54 69 74 26 23 36
560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575
39 42 46 37 28 36 75 31 45 44 30 32 48 29 38 43
576 577 578 579 580 581 582 583 584 585 586 588 589 590 591 592
51 51 54 34 26 20 37 46 37 52 52 26 20 20 46 47
593 594 595 596 597 598 599 600 601 602 603 605 607 608 609 610
32 36 42 85 45 83 97 81 37 67 82 29 36 34 59 47
611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626
45 56 48 45 56 33 51 62 38 43 27 52 55 36 29 41
627 628 629 630 631 632 633 634 635 637 638 639 640 641 643 644
31 27 29 36 34 28 33 39 54 41 37 39 36 45 41 37
645 646 647 648 649 650 651 652 653 654 657 658 659 660 661 662
34 54 72 74 49 35 20 31 71 58 52 42 37 47 58 37
663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678
59 47 24 17 31 46 34 47 38 60 56 27 38 32 39 33
679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 695
24 15 33 38 39 49 39 17 19 39 51 39 31 30 29 50
696 697 698 699 700 701 702 703 704 705 707 708 709 710 711 712
49 52 38 54 48 27 17 52 62 39 39 49 45 29 23 38
713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728
36 35 25 32 54 31 54 55 62 54 21 34 41 21 33 33
729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744
20 28 23 27 34 25 20 33 49 60 53 49 40 38 37 33
745 746 747 748 749 750 751 752 753 754 755 756 758 759 760 761
36 25 34 47 61 61 11 31 53 53 46 16 63 64 59 35
762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777
31 43 17 41 30 50 29 55 54 50 42 56 50 47 54 34
778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793
27 39 38 32 36 43 22 17 49 34 56 53 54 58 53 55
794 795 796 797 798 799 800 801 802 803 804 805 806 808 809 810
46 44 68 35 32 38 57 33 56 71 82 39 47 52 39 59
811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826
81 44 22 36 44 28 26 52 46 41 48 73 59 54 47 47
827 828 829 830 831 832 834 835 836 837 838 839 840 841 842 843
35 34 36 23 25 19 40 42 44 34 35 49 45 76 61 41
844 845 846 847 848 849 850 851 852 853 854 855 856 857 859 860
35 48 35 39 37 62 63 62 65 76 44 51 69 30 75 68
861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876
41 50 44 17 50 21 54 31 51 35 29 35 33 38 43 39
877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892
37 48 25 43 37 37 19 61 41 37 29 36 33 30 33 52
893 894 895 896 897 898 899 900 901 902 903 905 906 908 909 910
43 64 50 54 36 64 61 62 77 48 44 81 5 43 42 27
911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926
54 54 26 39 47 48 46 54 24 42 54 58 45 31 43 25
927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942
42 28 43 55 30 34 13 54 47 35 39 30 36 39 33 22
943 944 945 946 947 948 949 950 951 952 953 955 956 958 959 960
30 41 29 50 59 36 67 53 102 44 16 74 77 43 37 29
961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976
31 29 17 41 43 48 66 44 53 44 40 28 38 26 34 31
977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992
16 28 32 59 28 31 33 25 41 26 69 48 24 49 31 22
993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1007 1008 1009
43 35 26 40 43 56 21 52 68 48 43 69 53 30 23 39
1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025
20 27 10 22 40 61 27 41 64 41 28 44 47 17 41 32
1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041
37 56 38 43 25 22 34 35 39 28 27 45 48 50 54 32
1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1057 1058
50 44 30 31 24 52 57 39 59 82 79 51 95 70 62 29
1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074
33 27 55 43 31 18 66 27 29 37 51 42 36 27 50 36
1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090
34 58 36 35 44 59 38 35 32 32 37 42 46 16 54 42
1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1106 1107
40 46 43 34 74 38 31 48 52 31 84 86 79 31 55 30
1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123
45 35 35 25 27 24 31 36 29 46 56 56 49 54 39 22
1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139
22 33 33 43 49 48 40 37 12 10 31 18 46 39 59 38
1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155
14 49 27 28 55 35 41 50 25 45 27 67 34 68 76 25
1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172
43 52 37 14 28 27 41 17 30 48 29 50 56 70 52 34
1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188
17 42 46 27 38 21 25 21 22 19 20 19 28 36 26 32
1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204
34 39 27 21 28 22 24 28 35 43 29 18 59 75 67 22
1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221
28 26 33 19 36 58 25 44 41 36 23 25 49 35 16 25
1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237
39 37 30 46 44 38 32 39 20 17 44 25 21 32 22 28
1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253
22 39 30 42 32 47 21 21 34 33 46 55 52 18 47 16
1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271
49 36 28 27 22 36 40 64 51 40 36 48 51 37 29 21
1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287
44 48 40 40 27 29 37 39 34 34 20 28 20 36 39 22
1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1304
31 45 27 45 22 30 20 19 20 23 30 34 43 52 28 32
1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320
31 64 27 52 37 34 50 24 34 57 48 50 55 46 49 34
1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336
35 32 52 49 19 45 29 30 25 32 38 15 25 26 19 19
1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1354 1355
42 39 32 33 37 27 22 29 9 42 34 25 46 51 18 58
1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371
53 51 41 46 34 32 54 40 55 39 42 56 33 46 51 30
1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387
32 36 45 40 39 43 24 17 46 34 24 25 18 26 3 24
1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403
11 14 15 29 23 57 24 17 34 29 43 38 43 64 37 41
1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419
48 50 18 34 35 23 30 42 57 48 29 47 16 56 37 45
1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435
21 39 45 36 54 50 32 36 34 25 32 39 30 11 15 12
1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451
16 24 26 36 39 52 54 31 30 39 41 36 57 45 26 22
1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467
52 16 39 48 23 28 17 25 53 29 29 20 42 26 41 42
1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483
28 39 45 26 33 58 45 45 32 48 28 34 30 33 29 18
1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499
13 18 22 36 31 34 24 53 57 42 42 34 30 48 37 45
1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515
30 47 45 38 29 31 15 20 46 37 42 37 36 30 34 34
1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531
44 25 25 33 23 38 64 48 38 41 51 26 37 29 16 18
1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547
20 26 31 26 24 36 44 25 32 22 40 35 44 49 52 65
1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563
47 43 41 56 52 30 35 16 16 29 31 49 37 37 34 43
1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579
41 31 31 28 30 24 23 25 40 43 39 46 33 19 33 38
1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595
47 30 11 20 23 32 28 53 28 30 22 46 54 46 24 35
1596 1597 1598 1599 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612
28 36 26 31 43 27 12 12 15 32 24 32 33 41 32 32
1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628
24 31 23 25 35 8 15 34 28 33 38 36 38 43 53 22
1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644
30 33 19 30 20 52 25 38 62 51 50 28 32 25 36 51
1645 1646 1647 1648 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661
74 51 33 27 109 34 31 35 8 19 26 37 26 38 49 38
1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677
38 38 38 29 29 24 18 34 48 37 25 46 29 29 28 41
1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693
20 25 21 17 16 25 21 35 43 48 35 31 34 14 27 42
1694 1695 1696 1697 1698 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710
27 52 59 36 34 122 14 18 16 39 32 39 43 45 32 34
1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726
36 27 32 37 39 54 39 27 19 41 37 32 20 21 31 51
1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742
21 27 28 15 23 28 44 31 41 53 50 48 25 30 21 29
1743 1744 1745 1746 1747 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759
35 46 37 43 51 116 154 31 24 23 25 36 43 26 36 27
1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775
30 47 32 37 28 34 23 36 23 17 25 14 29 28 39 56
1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791
42 44 35 35 59 45 46 47 43 47 39 38 43 42 33 33
1792 1793 1794 1795 1796 1797 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808
28 26 24 48 43 50 142 164 28 27 39 37 44 24 38 39
1809 1810 1811 1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1824 1825
25 39 44 44 46 41 48 30 48 28 28 25 51 28 52 65
1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841
59 32 46 50 30 41 34 39 50 49 43 47 36 48 36 44
1842 1843 1844 1845 1846 1847 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858
48 31 42 44 57 38 107 40 46 34 30 49 30 43 32 53
1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874
21 32 27 49 40 41 37 42 51 51 56 35 57 54 33 49
1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890
56 36 26 35 47 59 55 30 54 36 25 40 42 30 29 40
1891 1892 1893 1894 1895 1896 1897 1899 1900 1901 1902 1903 1904 1905 1906 1907
53 31 35 26 38 23 32 66 83 51 19 42 51 21 32 30
1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923
21 24 16 24 38 41 24 30 39 29 39 51 52 38 53 41
1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939
37 43 56 43 49 40 25 12 29 45 54 54 33 45 50 34
1940 1941 1942 1943 1944 1945 1946 1947 1949 1950 1951 1952 1953 1954 1955 1956
44 43 29 29 42 39 32 38 49 29 51 51 32 38 14 25
1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972
20 20 12 35 40 45 34 19 42 47 45 33 23 25 33 50
1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988
32 11 48 39 32 35 42 31 50 39 59 29 75 44 48 33
1989 1990 1991 1992 1993 1994 1995 1996 1997 2000 2001 2002 2003 2004 2005 2006
19 37 34 42 28 38 17 20 16 13 19 34 21 20 11 31
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
30 46 35 25 38 34 28 33 42 38 69 37 20 22 61 19
2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038
48 27 24 40 51 37 67 30 27 39 44 57 48 36 44 31
2039 2040 2041 2042 2043 2044 2045 2046 2047 2048 2050 2051 2052 2053 2054 2055
44 56 43 42 24 23 30 33 21 73 4 29 38 20 20 10
2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071
28 22 38 62 46 40 41 67 44 64 63 60 33 39 11 34
2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087
53 40 19 41 38 29 55 48 58 52 61 63 58 27 35 52
2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2099 2101 2102 2103 2104 2105
40 42 37 52 39 34 18 22 26 47 86 34 19 27 19 23
2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120 2121
51 38 67 73 64 43 47 58 39 45 50 28 25 45 28 21
2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135 2136 2137
47 37 38 28 41 48 36 30 44 66 57 64 43 42 62 56
2138 2139 2140 2141 2142 2143 2144 2145 2146 2147 2149 2150 2151 2152 2153 2154
36 54 57 34 40 15 21 29 72 58 44 46 22 25 28 15
2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168 2169 2170
33 54 40 42 35 48 43 51 48 49 39 28 54 47 40 56
2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186
39 28 33 59 40 37 39 40 70 58 72 38 67 50 62 52
2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2198 2199 2200 2201 2202
53 42 50 53 71 57 36 36 21 56 39 34 52 48 26 26
2203 2204 2205 2206 2207 2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 2218
21 19 30 37 66 29 50 23 40 50 53 50 32 41 32 25
2219 2220 2221 2222 2223 2224 2226 2227 2228 2229 2230 2231 2232 2233 2234 2235
50 47 58 29 45 38 48 43 49 57 46 44 46 63 60 56
2236 2237 2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248 2249 2250 2251
38 52 29 55 48 51 33 21 22 43 44 66 17 33 53 11
2252 2253 2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265 2266 2267
23 21 34 33 49 36 32 46 41 45 79 35 59 45 39 25
2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283
46 38 56 56 29 11 31 26 22 44 73 45 44 44 45 43
2284 2285 2286 2287 2288 2289 2290 2291 2292 2293 2295 2296 2297 2298 2299 2300
37 31 53 42 42 28 46 32 51 45 41 54 46 31 20 35
2301 2302 2303 2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2314 2315 2316
8 20 19 27 53 35 44 58 43 63 40 62 53 33 47 28
2317 2318 2319 2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332
30 28 21 29 25 50 25 28 53 39 60 45 43 45 50 39
2333 2334 2335 2336 2337 2338 2339 2342 2343 2344 2345 2346 2347 2348 2349 2350
46 28 33 49 32 26 38 63 37 28 48 44 33 26 26 50
2351 2352 2353 2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366
14 7 11 27 25 31 49 34 29 51 39 36 31 32 20 45
2367 2368 2369 2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382
43 42 13 32 38 37 28 32 37 52 33 37 43 38 47 37
2383 2384 2385 2386 2387 2388 2389 2391 2392 2393 2394 2395 2396 2397 2398 2399
45 19 46 33 25 20 14 38 50 45 6 61 52 45 43 15
2400 2401 2402 2403 2404 2405 2406 2407 2408 2409 2410 2411 2412 2413 2414 2415
33 10 14 20 43 49 61 80 43 30 40 33 29 45 51 46
2416 2417 2418 2419 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431
46 31 11 34 40 25 23 29 44 35 44 28 21 27 32 43
2432 2433 2434 2435 2436 2437 2438 2439 2440 2442 2443 2444 2445 2446 2447 2448
40 31 45 76 49 10 40 26 25 49 44 41 54 57 34 23
2449 2450 2451 2452 2453 2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464
10 12 5 15 23 26 42 47 48 57 35 54 27 30 43 41
2465 2466 2467 2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480
30 35 29 22 38 52 50 53 26 27 21 50 24 44 43 44
2481 2482 2483 2484 2485 2486 2487 2488 2489 2490 2491 2492 2493 2494 2495 2496
41 32 70 46 48 59 44 30 21 36 29 47 38 29 27 27
2497 2498 2499 2500
40 13 20 13
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2420 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("tmax", "tmin", "precip", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)